Computer-based training for cognitive behavioral therapy (CBT4CBT): A mixed methods investigation
Notice bibliographique
Résumé
Computer-Based Training for Cognitive Behavioral Therapy (CBT4CBT) is an online intervention for individuals with substance use disorder (SUD). Objective: The aim of this study was: (1) to investigate changes in CBT related skills, quality of life, and SUD severity in adults completing a CBT4CBT intervention, and (2) to explore the participant experience of CBT4CBT in a tertiary hospital specializing in mental health and substance use health in Canada. Methods: Participants included 51 adults seeking treatment for SUD. Participants received access to CBT4CBT over 8 weeks. Measures assessing CBT skills and associated constructs (distress tolerance, change assessment, drug-taking confidence, and change strategies inventory), substance use outcomes, and quality of life were collected at baseline and post-treatment. A qualitative interview was conducted with 26 participants post-treatment. Statistical analysis was conducted using a series of linear mixed effects models examining changes from week 0 to week 8 across all measures. Results: Significant effects of time were found for SUD symptoms, change strategies, distress tolerance, and quality of life. Qualitative analysis found that participants reported the skills modules on managing triggers and dealing with cravings to be the most helpful. Further, participants found the convenience and relatability of the program scenarios most beneficial. Participants suggested that a live connection to a researcher or a practitioner and some technology enhancements would improve the program. Conclusion: The results suggest that CBT4CBT is linked with a reduction in SUD symptoms and an increase in CBT skills, including change strategies and distress tolerance, as well as improved quality of life.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».